Mar, 2020

基于图卷积网络的价格感知推荐

PDF
TL;DR本文提出了一种基于图卷积网络的方法，以预测用户在购买时是否受产品价格因素影响，解决了价格因素在推荐系统中受到相对较少关注的问题，主要通过对用户行为和商品价格之间的关系进行建模，同时考虑商品类别因素的影响，实验结果表明该方法能够有效地学习用户对产品价格的偏好，优于现有方法。
recommendationuser behaviorscollaborative filteringpredictionprice
发现论文，激发创造
  • 知识图谱卷积网络用于推荐系统

    本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

    Mar, 2019

  • 价格很重要：会话式推荐中的价格和兴趣偏好模型

    提出了一种名为 Co-guided Heterogeneous Hypergraph Network (CoHHN) 的方法，用于解决会话式推荐中的价格因素问题。它使用异质超图表示异质信息和富有的关系，并使用注意力层提取出用户的价格偏好和兴趣偏好。此外，该方法通过设计了一个共同指导的学习方案，来模拟价格和兴趣偏好之间的复杂关系，最终通过对项目特征和用户价格和兴趣偏好的预测来实现会话式推荐。

    May, 2022

  • 图形趋势滤波网络用于推荐

    本文介绍了通过图神经网络进行推荐的方法，并探讨了现有方法的一些缺点，提出一种基于图趋势过滤网络的新方法，以捕捉交互性的自适应可靠性。

    Aug, 2021

  • 基于知识图谱的上下文感知可解释推荐

    探索用户偏好相关的富含语义关联的知识图谱，提供能够适应用户环境的推荐系统框架，并在其中包含上下文。

    Oct, 2023

  • 联合商品推荐与属性推断：自适应图卷积网络方法

    该研究提出了一种自适应图卷积网络的方法，用于联合推荐系统中的商品推荐和属性推断，通过迭代学习图嵌入参数和估计属性值来提高性能。

    May, 2020

  • IA-GCN: 交互图卷积网络用于推荐

    本文提出 InterActive GCN，针对已有的基于 GCN 的协同过滤推荐系统采用相同的聚合方式从用户邻域中学习用户的表示，从而忽略了用户 - 项目对之间的交互特征。新模型在用户 - 项目对之间构建双边交互指导，提供了交互和可解释的特征，并且通过每个图卷积操作有效地提取了目标特定信息，能够与各种基于 GCN 的 CF 体系结构端到端地组合使用。实验表明，本文提出的 IA-GCN 具有较好的效果和鲁棒性。

    Apr, 2022

  • 面向推荐的兴趣感知消息传递 GCN

    该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型，通过在用户兴趣相似的子图中进行高阶图卷积操作，避免了过度平滑问题，其在三个基准数据集上的实验结果表明，该模型可以通过叠加更多的层次获得性能提升，并且在 GCN-based 推荐模型上显著优于现有的最佳模型。

    Feb, 2021

  • SocialGCN：一种基于图卷积网络的高效社交推荐模型

    本文提出了一种基于图卷积神经网络的社交推荐模型，通过捕捉信息在社交网络中的扩散进程来影响用户偏好，使得模型在两个真实数据集上展现出了很好的性能。

    Nov, 2018

  • 多图卷积协同过滤

    本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

    Jan, 2020

  • 标准比评级更有用：基于偏好感知的轻量图卷积，实现有效的多标准推荐

    本文设计了一种基于图神经网络的多标准推荐系统，能够精确地捕捉用户的标准偏好和复杂高阶联系中的协作信号，取得了比现有基准方法和基于图神经网络的方法更好的推荐效果。

    May, 2023